负lod偏移允许好还是锁定好

你在这里进场盈利了二十万，后续价格开始下跌，回到了成本价，你走不走？只要你还在犹豫这个事情，那你就掉入人性陷阱了。而高手确定清仓点，一跌破就立马离场， 这个清仓点也好找之用。三步一，找密集成交区来看这个图，这段下跌趋势中有两个密集成交区，就是这里，我们先标记成 a 和 b， 还不知道什么是密集成交区的，可以看知识点合集的一百六十三期，里面第八分钟有详细的解释， 需要的找明凯或者评论。一百六十三。第二步，密集区比大小，找出这两个区域，那个 k 线数量，占地面积，走的时间最长的那个，给它标记出来。这两个一眼都能看出来是 b 趋势，我们取消 a 趋势，留下 b 区域。第三步，划出清仓点。 以下跌趋势为例，在最大的那个密集成交区的极值高点，跨一条线，这个地方就是我们的清仓点，如果价格向上突破了他，那我们就要否定做空的预期了。假如你在这里进场了，现在还有资金在场，那就直接清仓离场， 来看下后续的情况，果然价格涨了上去了，如果是上涨趋势，那我们的清仓点就应该挂在最大密集成交区的极值低点，等价格向下跌破这个线，我们就要否定做多的预期。当然实盘一定会遇到这种情况，你在这里进场后，价格一路上涨，现在只有一个密集成交区， 你的清仓点应该放到哪里呢？当然是这个成交区的最低点，后续价格继续上涨，又形成了一个成交区。假如这个成交区你和第一个比，发现不是特别明显，这个时候就要打开 m i c d 了，我们来观察蓝色线条和橙色线条的动作。 你看第一个成交区对应 macd 两根线是不是回踩零轴，而且它没有穿过零轴，这种我称当前级别的。再来看第二个成交区，它对应的 macd 两根线是不是穿过零轴，而这种我称为大于当前级别的。 如果我们讲这一段也看作成交区，看对应的 macd 区域，会发现它只是向下走了，但是没有回踩到零轴，这种我称为小于当前级别的。它们的从大到小的排序是大于当前级别，当前级别小于当前级别。 所以当有两个成交区你没法用肉眼分辨出来的时候，可以打开 macd， 用这个方法分辨。这也是我多年实战的经验之一。记住，真正能让你盈利的关键不在你看会视频， 而在你能不能私下在无数次复盘和拆解中验证这个知识到底对不对，适合不适合你的风格。脑子会了，那只是记住了，而交易需要动手去实践。

帮粉丝们调电脑的时候，我发现了一个问题，就是你们的游戏设置是谁教你们的？你们为为啥要把这个隐私和微照这个 g 启动 gpu 调试模式，还有这个启动卡顿上报模式给它打开，然后还有就是这个视频这里啊 叉 e s s 这个真声程别开，你开了的话，你的这个帧率起码能掉百分之三十。然后基础画质 你要是要是想动这里，你就是把这个纹理固定质量这选到极致，然后把这个高级画质，这个纹理质量选到极致，其他全部是最低啊。然后呢这个超分率方法，我们要选到对应的一个超分率方法， 我们选到英伟达的选手，因为我们是英伟达的显卡，然后选到这个超分率质量呢，这边就选一个质量先，然后直接应用就可以了， 然后想你的画面比较清晰，我们只需要去修改一个我们的模型预设啊，我们点到这个小房子，然后这边找到三角洲 往下拖动，我们找到第五行列的第一个 d r s s， 这边选到你的覆盖版本驱动，然后下面第二个 d r s s 呢？这边是选了这个 k 模型， 然后点这个保存更改就可以了。你这套设置完之后啊，你的画面会清晰，然后你的那这些帧率他也说不会说给你白掉，因为你把那两项给他关掉之后，你的帧率绝对会回来。

这边他他就是给到了一个这样的一个结果，包括从这个评级什么重要程度以及，嗯，对吧？核心重要相关等等，嗯，再包括版板块这一块，对吧？你想做那板块，比如说科技自立自强，嗯， 首先把这个可能说这这一方面可能还想给大家讲一下，就是嗯，根，根据那个实物规划前面讲的那个， 嗯文档规划内容，我今天就是用了一个 ai 做出来了一个分析，就是一个分析结果。嗯，我主要是从哪方面来来分析的呢？首先，嗯，首先呢我是从那一个事物规划纲要里面，嗯找到了，就是嗯与 a 股相关的那些个概念关键词嘛，对吧？然后 嗯，就比如说他的相关性啊，还有他的一些机新的机遇啊，包括嗯各个关键词现在这个阶段发展的一些状况，它是否饱和，嗯，或许就是他有没有一个新的 新材料啊、新机遇啊等等，还有新各种新型技术啊、研究啊等等。再包括嗯还有哪些就是上上市公公司，嗯，他就是到今天这个时间节点，他，嗯就是他的技术以及发展，还有量产已经呃去一个饱和的一个 一个程度了。所以嗯，我是通过这样一个分析去给到 ai， 然后就是今天得到了一个结果，再次给大家分享一下。 嗯，首先呢我这我这边呢是一共从那个证券软件上提取了两百多个关键词，然后今天他给 给筛选出来的那个核心概念有二十八个，重要概念有三十二个，嗯，相关概念有三十六个，嗯，其实，嗯，对吧？我们其实看那个， 嗯股市里的那个涨跌情况的话，其实大部分的资金以及市场的情绪，再包括龙头，嗯，各股这些涨跌趋势啊，其实嗯还是与这些，嗯现实中的那个社会，社会发展以及企业的基本面是离不开的。嗯，这个逻辑呢，是，也就是比如说， 嗯，比如说你看好一家企业，嗯，首先首先你要买入他的话，首先肯定是要他处于这个正正在上升的一个阶段，那就比如说近期的那个玻璃基板， 嗯，对，玻璃基板，然后它是一个机遇嘛？假如说对玻璃基板是一个嗯新兴的一个技术突破，那么大家肯定都会看好它，然后看好它以后呢？啊这个市场的这个情绪啊，以及这个认知啊，都会统一的，就是都是就是去奔向这里， 然后这就是那个情绪上的一个认知。那么就比如说能够生产玻璃基板的一些企业啊，那肯定是小的是不行的，那肯定是，嗯，一些专精特新啊，包括有基础研发，有企业基本面实力要强的一些公司，上市公司，嗯，他才能够，嗯将这项这个玻璃基板的一些研发做出来， 嗯，手，那么这就满足了一个企业基本面他是要要好的。然后再一个就是当下这个时间节点，他这个情绪是要好的。另外一个就是，对吧？你这个概念里面这个板块里边就是龙头，就包括那个 k 线那上面了，所以，嗯， 所以嗯他可能是刚开始去，去那个去启动，嗯，这个这个概念，这个刚有发展，刚有那个认知的时候，这个市场市场的这些，对吧？这些股民他有了这个认知，他不可能说 他只会有一个一个小的颠覆，他肯定是一个持续持续性上升的一个一个过程。你包括长新存储，还有那个长间存储这两个就是国产的那个内存和那个固态硬盘这一块，这俩还是没有上市的，那假如说他们上市的话，肯定，对吧？就就是 他，他这个就是完全就是依据企业基本面，他的影响力在包括市场的情绪，就是市场的钱往哪边走，然后，嗯，对吧？所以那个 k 线他有 k 线，他的那个走出来的趋势就是比较好的，所以包括均线、多头排列啊等等， 所以你这个也离不开企业基本面的一些分析，然后呢你也离不开就是你对整个市场你要有一个框架， 这个框架就是让你能够精准的去走在这个就是这个风口上，嗯，这样才是一个正确的逻辑。嗯，所以说假如说这是一个长线逻辑，假如说是短线逻辑的话，那肯定肯定来说，那就 那肯定是依据热点以及可能说技术指标以及量价那种，对，更多是去于那个数据方面，包括资金啊、一起涨幅啊等等那种动态状况。但是长线的话，你一般，嗯，其实你买入以后只要基本基本面良好，包括以后有发展空间， 包括这个企业是有上升性的，那么你的那个卖出卖出亏损的风险也是比较少的，对吧？这个逻辑其实是是讲不通的，他并不是说，嗯，并不是说我个人的一些认知一些，嗯，讲给你们听的，嗯，对吧？所以， 嗯，所以我们今天来看，嗯，实物规划下面，包括你包括新能源、低空经济、量子科技、联网接口、新型率网这些，对吧？还有工业母机、人工智能等等，包括下面，嗯，能源，还有智能电网， 对吧？还有数值文化、文化强国等等新型城镇化、城市更新，嗯，这些都是都是在那个在这里面的，所以未来的大方向以及，嗯， 发展的时候方向，他就是对股市是有一个影响的。其实这些也不用说我太直白的去给你们讲，那么他第二个就是啥呢？就是就是。嗯， 这就是通过前面我给你们讲到的就是我想知道的那些内容，给到了这个，嗯，智能体，对，给到了这个 codex 这边，他他就是给到了一个这样的一个结果，包括从这个评级 重要程度以及，嗯，对吧？核心重要相关等等。嗯，再包括版板块这一块，对吧？你想做那板块，比如说科技自立自强，嗯， 首先把这个可能说这这一方面可能还需要完善一下，对，这里把这个新能源去去掉，嗯，我们可以看到，对吧？他给你到的是有一个一个概念名称评级，嗯，比如说核心，嗯，重要等等，他一个上下一个筛选，嗯，他发展阶段，包括他的发展阶段，嗯， 可能说，嗯，发展阶段这里和饱和度应该是一致的。嗯， 它的饱和度，对，你看包括这个五 g 概念，它这里是饱和度其实是比较高的，发展阶段的饱和度上升空间其实是很低的，包括中中兴、东顺啊、风火、东信等等。 嗯，那么它它的潜力的话，其实潜力股我们且不说它的那个代表，我们就说它的那个新技术、新材料、新能源，它在五 g 这方面是有一个五 g a 的 一个眼镜的，嗯， 那么人工智能这方面就是它的饱和度其实是很低的，然后上升空间是比较高的，嗯，然后科大讯它的代表龙头有科大讯、唯一汉武帝商汤、 海光信息、中科创达透、微信息等等，嗯，但是它这个数据信息的话，其实都是根据互联网现有的一些最新数据去去那个去编编辑的， 嗯，所以包括 ai 芯片的含硅剂啊等等，海光啊，嗯，这些都是在内的，嗯，所以你，包括你，你重要还有新技术等等，他都会在里面就是给你讲到你比如说先进重装 hbm 存储、汽车芯片这些，嗯，其实你就可以很明确的找到一个方向，嗯，所以我们， 我们在那个选股，可能说找那个方向的时候是比较比较好的，一个一个选，一个一个选择吧。对，至少说你不用说，你看着手机那那一大串的那些概念关键词你都不懂是什么意思， 所以包括发展阶段，它是孕育期，嗯，然后孕育期，嗯，你可以选可能说这个这个发展阶段，这一，可能说在那个 ai 生成的时候可能有一个 bug 没完善， 嗯，但是你，你既然选择了运用，运用性，对吧？你看人形机器人、低空经济、量子科技，嗯，上升空间它都是一个极高的，一个一个一个阶段，那说明它就是还有机会，就是，呃，让企业，企业有上升空间，有 有占据市场的可能性，有未来发展动机的一个一个先行性，对吧？嗯，那，那将来，将来这个人形机器人和低空经济肯定是未来三十年、五十年肯定是主流啊，对吧？所以，嗯，所以， 所以，呃，这个，这个框架，所以，嗯，是我个人的一个框架。但是如果你们假如说你们要去做的话，可能研究的话，你们也可以根据自己的一些思维去去做一下，包括，嗯，成长期，还有这个，嗯，已经饱和的，这些饱和的，你比如说光伏，嗯，它的饱和度其实是很高了，嗯， 他代表了一些，呃，十大龙头股呀，有龙际绿能呢，这些他的新技术呢？嗯，对吧？他们也讲到了仅仅仅新新技术方向有，嗯，但是你像，但是你像新新技术方向，嗯，有。那些公司呢？那就可能说就是正大股份和爱旭股份，嗯，这些 你像成熟期的话，有特高压风电，嗯嗯。还有这些五 g 概念、高铁、稀缺资源等等，嗯， 呃，而且包括，对吧？新，嗯。类别标签这里，这里其实不不仅仅有新技术、新材料、新能源、新替代，对吧？嗯，包括芯片这里， 嗯，其实类比标签其实可以逐步增加，然后，嗯，包括这个新能，新能源、绿色电力，可能说你看他这个上升空间的话，嗯，中高高，比较高的是储能和这个发展阶段，还有一个中度、中度，对吧？嗯，所以储能，储能的这个概念的话，我们可以在那个 稍等一下，我们可以看这个 k 线，充能的 k 线呢，是从二零二一年才开始才开始的，然后到到这里的话，其实是二零二六年，这里这是属于一个中期阶段，可能说他属于中饱和度，属于中中段的话呢，可能说他有一个，对吧？还有一半的一个上升空间可能会达到三千三千多点，对吧？ 嗯，那么你包括那个饱和期的这个光伏，嗯，我们去看一下它的那个高度， 对吧？其实我们看到这个光伏他已经达到了四千三百七十七点，嗯，的确是已经，嗯，已经上完了一个一个一个状态了，但是那个储能的话，他已经涨到两千多，两千他他的高度其实还是在在这里的，那么储能可能，对吧？ 这，这是有完，那说明说明这个数据已经被这个验证出来了，嗯嗯，所以说， 所以说，嗯。但是这个这个网页可能说还有改进的可能性，就比如说，嗯，把它的那个 k 线图，嗯，完全的就是加上去，嗯，还有不足的地方，嗯，需要满足的地方，嗯，都都都能加上去。 包括这个新记忆专题，嗯，这些新技术、新材料、新替代，嗯，都会给到你，包括人人工智能、大模型、 ai 型的，嗯。科大讯飞、汉武帝、昆仑、万纬等等， 嗯，新材料、新能源都有新替代，也有 包括光科技，国产替代的话是，嗯，茂来光学、激光科技，嗯 嗯。但是我们你其实他提供给你的话，我们还需要花一定的时间去研究的，包括他只是给到了你一个关键词，但是你比如说你点到这个茂来光学这里，他他能否就是把企业的基本面信息去给到你呢？ 呃，那现在就拿一个，呃公司基本面分析的一个文档，嗯，去给大家做做那个案例介绍，嗯，就比如说， 比如说这个中低虚创，对吧？他他的那个二零二五年营收啊、毛利啊等等，嗯，你都可以看到谁的毛利率是最大的，然后那个谁的是最少，包括你看偿心存储，对吧？他的是百分之七十，第一季度二零二六年，嗯， 包括那个终极实创的话，其实还不如查新陈楚，对吧？嗯，那其实要看毛利率的一个大小，所以终极实创他找到那个股价的话，其实我们看到他的那个毛利率其实在百分之四十二，嗯，他核心定位其实也可以给你讲讲出来， 嗯。但是这个文档分析的话，可能说是一个一个的给你做做分析，你可以统一归整到一起，就是，嗯，在左侧，左侧有他的一些，嗯，要求，右侧是他的结果，而是把所有的都分析在同一的一个工作表之内 啊。就比如说我们这个中国文件，他的那个基本情况，还有发展前景、商业模式分析，嗯，他他的一些业务啊等等啊，净利润、毛利率，嗯，负债率等等，嗯， 还有核心竞争力，其实，嗯，这个文档相比之前的那个分析文档来说是比较简单的，嗯，至于说，嗯如何简单的呢？那么可能就需要这个，嗯， ai 呢？重新去 去做一下这个表格了，因为这个要求可能相对简单，他给的数数据也是比较简单的，所以你们能够看到的就是也没有那么多的那么大的数据量信息， 嗯，包括他可以给你一个同投资的一个分析，嗯，但是，嗯这个你可以继续加上那个他就是是否符合事物规划期间的那个那个相关程度，包括包干股份，嗯，他的净利润还有这些， 嗯，嗯。其实其实 ai 给到你的结果的话，你一定要以自己严苛的条件去让他做分析。你包括你看这个包干的话，其实，嗯，其实，嗯 他目前的状况是不太好的，但是他给到你的一些投资建议的话，其实那你可以看那个适合看好稀土战略价值的中长期投资者，哈哈，你看他主要风险的都对吧？我们都可以看到 风险的话都是有风险的，但是像一些好的公司的基本面的话，你看他们都会给你特别明晰的。你看中业时代、中业树立时代的卖场人业绩爆发力强等等，以及 把这个长江存储还有长兴存储，他他给到的这个呃信息，信息量的话其实还还需要你自己去判断，但是呃这个结果还是由你自己去执行的。 所以我们看到下面其实这个呃息分领域的新机遇，包括这个玻璃基板啊，英伟达玻璃基板 a 芯片、通蓝这些都是你包括其实我们的信息渠道唯一就是一个就是要么就是那个 财联社，嗯，再包括抖音和新闻，但是这这种信息的滞后性实在是太强了，当你看到信息的时候，其实可能是，可能那边已经已经开始涨起来了，就是这样的一个情况， 嗯，你包括你再去找那个，呃，找那个龙头啊等等，这些其实要花时间的，但是一般人呢，他大多数其实都是 没有存之心的去研究这个东西的，都是包括假如我突然看到了玻璃基板啊，因为咱要开始改了啊，那我马上去去搜索那个相关的龙头股，然后然后龙头股的话就抓紧买入，买入然后就是放在那里，涨了是它是涨了，跌了它是跌了，其实可控性其实非常差， 他不像说你有时间能够说全身心的去高强度研究一些东西，因因为他这个市场是太过复杂，你不能说你，你觉得他涨了就涨，你觉得他跌就是跌啊，对吧？可能说，可能说今天他给你拿出来一根不错的一个大洋线，然后每天呢？他就， 他就把那个，对吧？是卖肉的都给卖出掉，可以，很有可能就是就是就是晃一下你，然后等你，等你出完以后，对吧？一些不确定性，其实 你自己心里面是要有一个他的买卖动机的判断判断性的，而不是说，而不是说他是有涨和跌，你可能说涨中有跌，跌后再涨，嗯，涨了以后涨了没有卖的一个时机长高了以后再卖，可能说可能说在先跌再涨、 再跌、再跌再涨等等这样的一个情况，还有大跌、小跌等等各种卖量，你包括，其实，嗯，其实，其实，对吧？我们前面说到那个视频里面讲到的有 散户、主力、中户、大户，有这种的这些人，嗯，有散户有两就主力两个，主力三个，主力四个，有资金比较大的，但是，但是，还是那句话，散户做不出来一个大大养猪，对吧？所以， 但是主力啊，主力可以啊，主力他不止一家呀，对吧？他他有很多家，可能说今天他做一个，明天他做一个，他拉起来第二天有又有主力买入了，对吧？那我们一致性看好这家公司，那么他他他就会持续性上涨，对吧？那我们一致性看好这家公司，那么他也是，对吧？包括那个茶室，嗯， 先不说伤心，就说中金去上，他是所有人都都能够认为很有发展潜力，公司基本面很好，对吧？很龙头，很很有潜力的一家公司。你就说，就说一个最基本的啊，所有包括我们当下这个市场信息来源，所有散散户的 抖音，基本上都是一些股市股票，包括你假如说春季创有新的新的研发结果，那么肯定会有博主去催，嗯，可能说净利润高了，他也会催，于是就就已经炒作起来，炒作起来的话他有流量，有了流量， 那么对吧？有流量就有了散户，可能说主力，嗯，对，还有这些人，他们同就是市场的一致性，所以 才导致了，那么就是有一个四十五度的一个上升和的 k 线，对吧？假如说你你你，你去炒，你去炒的话，去炒也没有热度的心，很拉垮，很很很不知道那个，你，比如说你就比如说系统方面的那些，对吧？可能说 你就比如说钢铁这些几块钱或者十几块钱，可能说，对吧？那些没有你，你连那个企业基本面分析都没做的那些，那些公司，你就觉得啊，你觉得他可能会涨，会比较好，他每一个公司他都每天都会给你处理好消息， 每次都会给你处理好。你可以去看他的新闻公告，基本上都有啊，我跟谁谁谈成了什么合作啊等等，还有新闻方面的，嗯，所以， 嗯，信用方面，他可能跟你说有电力、电网布局，水网管网布局，嗯，但是你去电力看了，电力有那么多那么多股，你知道他，对吧？你的资资金量入的最多的那个，要拉的那个，他拉多久？嗯，包括他的潜力，对吧？可能说炒作一时，就比如说炒起来一时， 嗯，你比如说那个金堂了，他炒起来他其实他没有什么潜力，没有任何相关性，但是那个重机虚创呢？他不一样，你看，呃，目前， 对吧？目前那个东西创他是在一直充，充几十块钱，充八十块钱，一直拉到了现在一千多块钱。 你说他如果说真的支撑不了那个基本面，没有那个实力的话，他能拉这么高吗？对吧？这是有潜力、有发展性的公司，嗯，还是有科技，科技在里边呢，对吧？所以原因不能归结于自我，自我的那个认知，对吧？嗯，所以， 所以另外一个你还要看啥呢？你还要看，就比如说当下，二零二六年六月七号，这是这个市场需求最热的是什么 啊？就比如说这个玻璃基板和那些啊，液冷散热啊，它是比如说这个芯片，嗯，这个铜缆，铜缆高速高速连接，咱且不不去去死磕那个概念啊？咱不是，咱不说，咱懂多少东西，其实你有一个认知就行了，但是你比如说 当下，对吧？他他，你比如说这个 ai 服务器功耗飙升啊，驱动液冷刚需刚需化，那么那么对吧？服务器现在我们基本上开始 开始使用了，开始有顺利了，那么顺利，那服务器肯定会发热呀，对吧？只要它量大，那么它的那个冷却的话，它肯定是肯定是需要的，哎，哎，正好 ai 发展完了， 轮到这个阴冷散热这方面的基础需求了啊，正好在二零二六年五到六月份这个阶段，那么 那么就是轮到他了。那你去，你去找一些这个高蓝，高蓝股份啊、英文课啊、曙光曙光书创啊等等，从他，从从今天开始，就他，从从他需求的阶段开始，到他零涨，零涨之后，对吧？你可以去看那个饱和度吗？刚刚我们说的那个那个市场饱和度的一个情况，你 但是我们不知道的话，我们可以让让 ai 去分析吗？对吧？假如你买了，你想买英朗服务器，英朗散热，这这方面你从今天开始买，买完买到， 对吧？买买买到买，买半年或是明年他到什么样的一个情况下，他能把这个需求给满足掉啊？在满足掉以后的情况是否有新的？就是有有，有新的公司 有更好的一个替代性出现，假如没有的话，你是否要换，对吧？你这你都是要注意的，因为可能你不注意的话，别人都注意到了，可能有的时候有出现的话，别人就跑，都跑了，都跑了的话，你比如说跑了我钱我都扔了，那那股价肯定是一路下跌，下跌的话呢？对吧？是没有什么可拿性， 就像一阵冷风吹的一样，就比如说其实他就跟我们整个地球一样，今天这里是阴天， 对吧？今年是，今年是夏，夏天，嗯，夏天可能，对吧？太阳，太阳偏北，然后气候偏热，强对流天气比较多，然后他的雷暴天气比较大，然后可能说北方的降雨量可能会增加，嗯，但是到冬天他又又是一个另外一个情况，所以股市的一个人动情况就是这样的， 你，你就是需要这样去，嗯，去识别那个 k 线也好，其实都是由 有现实体现到体现，就是把所有所有消息、所有新闻、所有所有动机，所有操作形态都体现在所有 k 那 一根 k 线之上的， 所以你可以看那个中戏唱的票，对吧？在二零 二零二四年九月份开涨的，涨到了二零二六年六月十三号，到今天为止是一一千三百二，从从这里一百块钱，我就按一百块钱来算，涨到了一千，整整翻了十倍不止，你说他有自成性吗？对吧？那么 你就再看这种票，中国能见他的量，但是，嗯，只看 k 线，嗯，他也是在了， 但是他他有支撑性，对吧？他有，如果有支撑性的话，我们可以看他的那个概念，他的概念其实跟实物相，跟实物相关的这些都是很多的，嗯，包括绿色电力、虚拟电厂、风电等等，嗯，嗯，他他其实公公司的那个控股情况以及他的那个基本面，你都是都是要去去去了解的，你不能说， 对吧？光从对这方面去看，包括包钢，嗯，可能说咱们不说我给你们找的票的价格多少啊？只是作为一个举例，你看那个包钢股份的话，其实他的那个概念是涨的是比较少的， 我们把这个掉下去， 那么整体看下来，其实他如果说真的是有实力的企业，对吧？有成长性的企业，他肯定是能上去的。市场量以及他的毛利最基本的，你如果说啥都看不懂的话，就看那个毛利， 对吧？他毛利是小的话，他发展性，他没钱，他怎么发展呀？对吧？其实，嗯，所以，嗯就是今天，今天的一个分享，嗯， 另外在那一个像其他视频里面有讲到那个啊，就是公司的一些基本面分析，都是那个八步分析，八步分析法，然后是一个比较缠绵的一个技术分析，但是呢，他并不能有一些你包括那个， 那个长江存储的那那个文案，可能说他都经过更改才才发布的。嗯，我这里分享的就是我的一个思维逻辑性。嗯， 如果说对你有帮助的话，那就对吧。我也是，我是小白，我是从从三月三月份，二月份二月二十八号开始开始研究，开始学习的。嗯，到今天到今天为止也就三个月吧。 嗯，好的，今天其实大家就分享这些。嗯，看最后一个政策，应测，应测的话就是以饱和严重过剩的，你看包括光伏及基建、传统传统充电桩等等，过剩价格暂利下滑。嗯，薄特高压成熟，成熟趋稳， 特高压、高铁、传统风电。嗯，包括高速成长的话，人工智能、新能源车、储能、工业母机、新创、迂迂爆发的话是有人性机器人提供经济固态、量子科技、合成生物钙钴矿， 包括策略建议的话，也是高风险高回报。关注核心供应链，重点关注，重点关注，对吧？风风调整数据。嗯，整体的话，这个可能说他给到我的这个 还还可以，还算行，但是还要继续完善你，你完善的话，对吧？要更精准一些，更能抓抓，抓住这个这个市场的这个情况。好，今天分享到这里啊。

好，欢迎大家，我们终于正式开始直播了，非常感谢大家抽时间先观看前面几个视频，他们可以帮助你对这次培训内容有一个比较好的了解，也能大致看到我们想覆盖哪些内容。 本节会更偏实操一些，我们会深入到更具体的细节，也就是更底层的实线和操作，并且会实际写一点代码，一起把上一段视频里提到那个决策问题梳理一遍。正式开始前，我知道可能还有人陆续进来。我会使用 google collab 来做建模练习， 也建议大家使用 collab。 我 觉得这是体验 notebook 的 一种很方便的方式。 前面我们已经提过几次，但我还是想确认大家都能顺利操作。 如果你想在 google pull up 里运行这些 notebook， 真正执行单元格需要确保自己已经登录 google 账号。如果你更习惯使用 jupiter notebook， 也就是常见的 ip y and b 文件格式，并且本地 jupiter 环境和账户等都已经准备好， 也可以下载这些 notebook 用本地方式运行。你可能需要先快速执行一次 p i p instyle 安装 grub pi 只会给你一个很小的临时许可，用来运行这些 notebook。 希望这能回答大家。刚进入课程时可能会有了很多问题，那么话不多说，我们开始吧。 一段视频里提到的，我们要把一个决策问题转化成一个优化模型。我已经简单介绍过这个决策问题，它大概是这样的，我们有一批生产小部件的工厂，我喜欢用 widget 这个词，它是我做这类势利时最常用的范称。也就是说，我们生产这些部件，并且需要把它们配送出去， 他们会在特定生产设施里制造，然后配送到其他地点，用于后续下游分发。不过这里我们只考虑从制造端到下一层配送节点的这一段。 我在前面视频里已经对这个问题做过简要介绍，还有一些在那段视频里提到，现在希望大家先回想起来的内容就是数学优化里的几个关键概念。第一个我们会在这各 notebook 里讨论这些就是参数，参数可以理解为优化模型里固定的数字，也就是常数。正如我之前提到的这些内容也正是机器学习、 深度学习以及各类预测分析可以发挥作用的地方，你完全可以用机器学习来估计这些参数。接下来是决策变量，我们之前也讲过他们之间的区别，比如连续型、整数型和二元型决策变量， 以及他们通常适合用在什么场景。后面我们还会继续展开。再往下是约束，约束就是对问题的各种限制，如预算约束、产物约束、人员约束等。当然约束不只是这类业务限制。随着这个案例和后续案例推进， 大家会看到当我们要建模复杂逻辑时，这些逻辑本身也会被写成约束，这样才能保证模型里设计出来的系统能够代表你真实拥有的系统，也就是你实际要建模的现实问题。这里我特别提醒一下，如果你自己正在 notebook 里操作，建议 右键打开这份文档链接，在新标签页里查看我们后面会用到的一些函数和命令，你会看到大量 modbus 开头的功能，不用担心全部掌握，我们大概只会用到其中几个。它只是展示了当你开始使用 group ip 后， 手边可以调用的完整功能。回到这个决策问题，我们生产 wechat， 也就是本案例要建模的产品。我们有一组生产设施，负责生产这些产品，也有一组配送地点，负责把产品分发用于销售。每个配送中心都有预测需求，这个需求可以来自机器学习预测时间训练预测 某种统计分析或者任何数据分析方法。就像前面视频里说的，你并不需要是预测分析专家，也可以使用优化建模和数学优化。无论你处在分析成熟度曲线的哪个阶段，都可以使用这类建模方法。每个生产设施 在一个周期内都有最小和最大生产数量，同时我们也要确保生产和发往配送中心的数量足够，能够真正满足需求。这个 notebook 安排方式是 先看一点数学符号，也就是那些看起来有点有趣的东西。如果这是你第一次接触，希望它不会太难理解。顺便说一句，如果某些符号，比如我刚才讨论的那类记号，你暂时还没完全理解也没关系，它不是离异 解优化建模的必要条件，但它有助于读懂别人写重来的模型。表达这种写法是表达优化模型的一种常见方式，但不是决定成败的关键。所以我设计这个 notebook 的 思路是先给一点数学表达，然后直接对应到我们实际要写的代码。 一般来说，写代码时会更描述性一些，而写数学模型时会更有两个结合，结合屁表示伸展设式，包括 botom cleveland， little rock， birmingham 和 charleston。 我 本人来自 cleveland， 所以 它也被放进了例子里。配送中心包括 columbia， 南卡罗莱纳州， indianapolis， lexington， nashville， richmond hossett， 路易斯。这些城市基本是随机选的。也就是说，我们有两个集合集合，而 p 叫 production 集合， d 叫 distribution。 大家可以在右侧代码里看到。按照常见的写法，我们通常用大写字母表示集合，用对应的小写字母表示集合中的缩影，也就是集合里的单个元素。好，第一段代码运行这个单元格。虽然我刚才已经运行过一次， 并且这里有一个小勾，但我再运行一下，你会看到这里会出现一些内容，比如查找 requirements 等。我已经通过 p i p。 快 速安装过 grubby p y。 如果你是第一次做这一步，可能需要等一会儿，会出现进度条和一些安装信息，大概十几二十秒。最终它应该能正常完成，并且会填厚过期的大小讲。它的作用是 允许你求解规模受限的问题，也就是决策变量和约束数量有限的问题。对于这种学习场景非常合适。我们主要还会用到 pandas， 同时导入 grow bp。 这里我把 production 和 distribution 两个集合放在了列表里。如果你对这些 python 写法还不太熟也没关系，它不是核心重点，只是我现在展示材料的方式。到这里， 我们已经完成了导入包，定义集合等基础准备。这里有一行我想特别强调，它是优化建模真正启动的地方。我们用 g p， 也就是 g b p 创建一个 model， 并给这个模型起名叫 widget， 然后把它赋给一个对象 m， 你 可以把它叫成任何名字，比如 widget， model， model 或其他名称。我喜欢用简单的 m， 因为后面会频繁输入它，短一点更方便。接下来是这个问题的参数。 我们之前已经比较详细的讲过这些常用数学符号表示，比如 m 下滑线 p， 如果你喜欢用下标写法，那么 m 下滑线 p 表示生产集合中每个地点 p 的 最大产量。在代码里，我 我们会把它叫做 maxprod。 再比如， n， 下滑线地表示每个配送中心地的客户数量，也就是需求在代码里对应 demand， 然后是每个生产设施到每个配送中心之间的单位运输成本。这里我刚发现自己之前还有一个小拼写或命名问题，我把它改成了 transcost， 而不是只叫 cost。 因为如果以后再加入其他成本，比如场地建设成本， 或者生产 widget 所需零部件的成本，只用 cost 可能会让人分不清，因此在命名上更具体一点会更好。 用书成本数据会从一个 csv 文件读入，数据本身并不复杂，就是每一个生产设施和每一个配送中心的组合对应一个数值。运行一下这段代码。为了看起来更清楚，我把表做了一次 pivot 丈纵象是生产设施，横向每一列是配送中心。我们可以很直观地看到各个生产设施到各个配送中心之间的运输成本。比如在 cleveland 生产并发往 vaccine cone， 成本是两百五十四。我们暂且把单位称为美元，当然它也可以代表千美元或者任何其他成本单位。这里刻意保持模糊，因为这只是一个帮助我们入门的小型视力。接下来是生产和需求相关的实际参数 运行一下。这里我为了方便直接手动印编码了一些数值。实际工作中，这些数据通常也会来自 csv 或外部数据源。但我故意保留成这种写法，是为了方便大家在 notebook 里做快速试验。 比如你想把产量从这个数改成那个数，或者把需求从这个数改成那个数。直接修改代码会更快。如果放在 csv 里， 就要打开文件修改保存，重新读入，步骤会多一些。这里是最大产量， baltimore， cleveland， little rock， birmingham and charleston 分 别有对应的 max production 值。我们也快速看一下需求。 columbia， indianapolis。 所有配送中心都有各自的预期需求。我们假设这些需求是由一个非常优秀，误差几乎为零的机器学习模型预测出来的。 有人确认大家都能看到我的屏幕，那我先把这个移开。好的，确认可以看到，谢谢。刚才不知道为什么，我家里电源闪了一下， 可能外面风比较大，虽然以前即使有风也没发生过这种情况，但偏偏现在发生了。好，我稍微往回退一下， 因为我可能比自己以为的更早掉线了。我们从参数这里重新接上，这是成本参数， 这是生产和需求参数。我想我在断线前应该刚展示到这些，并且开始讲最大产出如何和业务约束里的最小投入相关，这里我们把最小生产比例设为百分之七。它表达的意思是，比如 cleveland 在 一个周期内最多可以生产两百个 wechat， 但同时它必须至少生产，完全可以为每个生产设施设置各自特定的下界。我现在选择统一的百分之七十五，只是为了让例子先简单一些。如果你认为某个真实问题里每个设施应该有不同的生产下限， 也完全可以那样设置。接下来是决策变量，决策变量就是模型的输出，也就是我们要寻找的结果。 优化建模的核心就是求出这些值。之前我们分别讲过，连续型、整数型和二元产品价格可以是连续决策变量，食品卡车数量就是整数型。例字我们明天会再讲到 for trucks。 二元变量则对应是否决策，用来表示不同选项的选择。 比如做投资组合优化时，是否把某只股票纳入组合，就是一个是或否的问题。现在我们来看本问题中的决策变量和参数，它们都用集合中的元素作为，所以 p 代表生产， d 代表配送。我们要定义的决策变量本质上就是我们到底要做什么决策。这里的决策是在生产摄氏 p， 生产多少 wage， 并把它们发往配送地点。 d， 因此决策变量就是 x b d。 现在我们已经有了决策变量，你也可以思考它应该属于上面哪一类变量，我们稍后在这 notebook 里会再讨论。接下来开始真正把这些东西加进模型里，也就是开始写代码。这部分比较有意思， 在 group b p 里添加变量主要有两个命令， atw 和 advers。 注意两者的区别，后者多了一个 s， atw 一 次只添加一个变量， advers 会根据某个集合或缩影一次添加一组变 两。建议大家也右键打开 advers 的 文档，在新标签页里看一下相关说明。和写任何代码一样， 同一件事通常有不同实现方式，在 group p l 也是如此。所以添加这些决策变量有几种方法。第一种可能也是你最自然想到的方式。既然每个生产地点和每个配送地点的组合都需要一个决策变量，那就便利所有组合逐个添加变量。 这确实可以做到。我们先这样定义变量 x， 打开一个用来存放变量的容器，然后对 production 中的每个 p 以及 distribution 中的每个 d 进行循环。这里的 x p d 就是 我们的决策变量。正如上面看到的那样，它会等于什么呢？我们要调用希望添加变量的模型，也就是 m advor。 这个命令会添加一个变量，同时我们也可以给它命名，让变量名称更有描述性。 稍后你会看到这些名字在哪里出现。因为我们正在便利所有组合，所以可以把生产设施和配送设施，比如从某个生产设施到某个配送设施的运输量 运行以后，变量就被加进去了。我们看一下结果，这里经常会出现一个提示， awaiting modal update。 这完全没问题。虽然我们已经把变量加入模型，但还需要告诉 grubb p 更新模型状态，所以执行 ambient update。 在 运行之后，我们就能看到 bottommore 到 columbia 这一对组合对应的一个变量。 也就是说，这是用 f 循环逐个添加变量的一种做法。另一种做法是直接把要创建变量所依据的集合交给 grubb p， 因为时间关系刚才中断了一下。我这里直接复制粘贴，我们再打印一次确认。所以内容是一样的。比如 botom columbia。 不 同的是名称显示稍有差异。因为我们给变 量统一取名 pradudu ship gropiepie 会把所以文本追加在变量名后面，所以看起来不完全一样， 但功能上完全相同。还有第三种方式，我们本来就在成本数据里已经有生产设施和配送地点之间的对应关系，那不直接使用这组锁影呢？这同样可以实现。因此 transportation cost to saw 影看起来会和这里几乎一样，我们把它仍然叫做相同的名称。这两种写法得到的锁影是一样的。再次说明， update 不 需要在每一步都运行，我这里只是为了能看到变量名称等信息才运行。现在我们的决策变量已经比较规范地写好了， 接下来看看约束。添加约束和添加变量非常类似， 也是一类命令。 add constraint 可以 一次添加一个约束， add constraints 可以 一次添加多个约束。 我刚开始熟悉 girl b p p 时，也常常会忘记末尾的 s 或者多写一个 s。 如果你遇到相关报错，明明觉对自己写的约束表达是没问题，就要先检查一下你想添加的是单个约束还是一组约束，对命令有没有用。对，现在来看这个决策问题里的约束。第一个约束是确保满足需求。 我们要做的是把所有生产设施发往某一个配送地点的数量加总，也就是说，不只是加总某个设施生产了多少， 而是对每个具体配送地点，把所有发往它的数量加起来。数学表达就是对生产设施批求和， 求和项是决策变量 x 下划线就是发送到某个特定这个求和结果总数量 必须大于等于该配送地点的需求。这也是我们第一次看到 grubby 撇 the quick sum 功能。 grubby pie， python 中都有多种方式可以对表达式求和。 做事情总是不止一种方法，但这里我会重点使用 quickson， 它不是最简洁的写法，代码上可能多一点内容，但更容易看清楚发生了什么。 我们创建一个名为 meet to mind 约束，使用 quick sum 来表达上面的约束。就像我们添加变量时要指定模型 m 一 样，这里也是 m。 at constress， 应 为我要依次添加多个约束。在 art constress 中会有一个 quick sum 生成式， 界面上会弹出一些提示，如果你有点跟不上，这些提示也能帮助理解。我们首先需要放进约束的是所谓 generative function， 也就是生成器表达式。这个生成器表达式需要完整地放在一对括号里， 它的作用是把整个数学约束写成一整段代码。 为了调用 quicksam， 我 们写 g p quicksam。 我 们要求和的是决策变量 x p d 紧跟在决策变量后面写的是求和所引，也就是对哪个集合求和。 这里对生产设施 p 求和，所以写 four p in production。 这个第一层括号中的内容基本 上对应不等式左边关闭括号后，再写我们想要的比较符号。这里需要的比较关系是大于等于该配送地点 d 的 需求。到目前为止，我们已经写出了不等式的左边和右边， 不过还有一部分没有写完。这也是我喜欢保留数学记号的原因，因为它能完整说明 quicksam 和生成器与具体需要包含哪些内容。我们希望这个约束对 distribution 中的每一个 d 都成立，所以还要写 for d in distribution。 我 也习惯给这些内容命名，这里整个内容就是 generate function， 所有东西都要包含在同一组括号中。如果不命名，某些情况下可以，但我喜欢命名，所以写 name 等于 meat demand， 然后更新模型，这样可以查看内容。现在可以看到系统生成了多个约束，比如 columbia， indianapolis 等。每个配送中心都有一个 meat demand 的 约束。 接下来看看其他约束，也就是最大产量和最小产量。根据模型公式， 这些约束需要对每个生产设施分别承，生产设施本身有产能限制。为了得到这个层级的锁影，我们需要对配送中心求和，也就是说，从某一个生产中心发 往所有配送中心的 vg 总量不能超过这个生产中心的上界， 也就是最大产量。第一个约束，我们叫 can produce， 表示最多能生产多少。和前面一样， 我们先引用模型，然后使用 add a constress。 因为又要用 quick sum， 所以 写 quick sum， 在 其中写决策变量 x p d。 由于这里是对配送中心求和，紧跟在决策变量后面写 for the in distribution， 这个求和表达是对应不等式，左边右边是 max pot， 所以 是不大于最大产量这个关系要对所有 production 中的 pe 成立， 因此写 for pe production， 我们同样给它命名为 can produce 助 e 括号一定要闭合，这是很重要的， 这样就可以运行了。现在可以看到，这些约束已经在模型里。最后一块主要信息是目标函数，我们用 set objective 设置目标函数，这相当直接。这个决策问题告诉我们，希望降低运输成本。降低运输成本的最好方式 就是把它最小化，尽可能降到最低，因此这就是我们的目标。这里是对应的数学表达，我们要最小化总成本。对每一个生产设施和配送中心的组合 决策变量都对应一个运输成本，总成本就是所有组合的成本成决策变量之合。然后我们要把这个值最小化，因为前面断电比较有意思，时间也被耽误了，这里我就直接复制粘贴一下，给大家几秒钟看这段代码， 然后我来解释，而不是边打字边磕磕绊绊。我们从中间看起 transportation cost p d 是 运输成本，这里我刚才写成 i j 也能运行， 因为所以名称本身不重要，只要在这个表达式内部保持一致就行。不过我还是把它改成 p d， 这样和前面的符号一致， 用除成本乘以 x， p d， 也就是对应的决策变量。紧接着写求和缩影，这个目标函数需要同时对两个缩影求和， 所以写 for p in production 和 for d in distribution， 照目标函数就设置好了。到这里，模型 基本上已经答完了，所有关键的组建都已经放进去。决策变量约束和目标函数。不过在真正优化之前， 最好先确认模型里写进去的东西确实是我们想表达的，是否和代数形式里的约束变量和目标一致。我先把这里最小化窗口，然后打开一个 l p 文件。 这里的命令会把模型写成一个 l p 文本文件， 我们看一下它长什么样。它会把当前模型转换成较容易阅读的文本形式。文本里清晰很多，但首先会显示模型命名网格尺，然后是目标函数 minimax。 它会把所有系数乘以决策变量的形式展开写出来，并使用我们提供的变量名称。因此，我们可以非常清楚地看到目标函数是什么样。 检查这一点很有用，如果你预期目标函数里应该有成千上万个变量， 但文件里只出现了几个，那就说明 l p 文件写错了。确认你之前写的代码确实被模型接收到的好方法。 它展示的是模型实际看到的内容。这里也可以看到所有约束，包括 can produce 约束， must 下划线， produce 约束和 meet 下划线， demand 约束，看起来都没问题。回到这里，另外还有其他格式， 比如 n p s n p s 不 像 lp 那 样保留这么友好的名称， 但它是一种很容易共享模型的格式，因为可以直接用来求解。 l p 文件也可以共享，只是 m p s 是 更标准更一致的格式，很多人也会使用这种格式。 l p 文件是一种很好的分享你所创建模型的方式。 这里你可能会看到一个 warning 提示，名称里有空格。对于 l p 格式来说，空格可能会带来一些问题。 因此 goroby 可能会使用 r l p 格式来保存，方便后续再读回。或者你也可以使用 m p s 格式，它会去掉，保持更通用的形式。接下来，我们真正优化模型运行得很快。我们快速看一下日制 日知里很多内容一开始可以先略过。随着你对谷歌 bp 和优化建模越来越熟悉，这些内容会变得更重要。但现在最核心的是它显示 soft， 也就是已经求解成功。 恭喜，我们这里还给出了最优目标值，大约是一千七百零四点八九。我们先把单位叫做美元， 也就是最小成本。现在有了求解结果，下一步问题是如何把解取出来。 我们会介绍几种方式。我个人倾向于使用 pandas， 尤其因为这里很多人来自数据分析或数据科学背景， 是 python 用户。 pandas 应该是最常见的包之一，可能仅次于那匹很多 jupiter。 notebook 的 前两 形就是 import nump s， m p 和 import pandas。 所以 我喜欢尽可能用 pandas 来处理结果。它看起来清楚， 操作方便，也便于后续快速筛选切片和整理。但这不是唯一方法。我们还会讲其他几种。 大家先看一下这里的代码。我不会逐行手打，因为它不是建模过程的一部分，但理解它很重要。我们对模型 m 获取一个 attribute， 这里有两个 x， 我是 有意保留的，方便解释区别。通常大家喜欢把这里小写 x 当是我们自己定义的决策变量对象。 如果一开始我们把它叫 transport 或 ship， 那 么这里就会写那个名字。 而大 c x 是 我们要获取的属性，也就是求解后每个决策变量的实际取值。换句话说是每个单独决策变量的最优值。到这里是 gro b p 的 部分。从决策变量我还把成本加取全 i， 这样可以看出两者后面的内容基本都是 pandas 操作。 我们把这个 series 命名为 shipment， 然后使用 transportation cost 的 缩影，这样 数据呢，很好地对齐运行一下。稍微等一下好了， 现在我们可以看到每个生产设施的最优配送方案，也就是从哪里发到哪里。高成本线路通常不会被大量使用，这也很合理。现在这就是我们的最优解，不过里面有很多零，你可能只关心真正发生运输的那些线路， 与其重新运行诊断代码，希望接下来我这边下载断电。接下来再介绍几种学我们只筛选 shipant 值为正的记录，这样就得到了实际发生运输的线路，而不是一堆零， 这就是最优解。如果按照这个方案执行，就能达到目标函数所给出的最小成本。现在大概还剩三十多分钟，我觉得进度还不错， 基本已经赶回到我原来希望达到的位置。 你可能会想，我不是很常用 pandas， 更喜欢字典之类的，数据结构完全没问题。其实在讲这个之前，我刚才鼠标全停到某个地方，弹出了一个提示，让我看看在哪里。应该是这里。我们的决策变量在 groupbypi 里其实是一种叫 to product 的 对象，也就是带有多个缩影的字典，这就是 guo b p e 会把这类变量集合转换成的结构。以后看到 dropaddict 这个词时，只要记住它是 goroby p 里的特定对象即可。其实过路比牌还有一些用于导入数据、输入数据和硬编码数据的功能。我前面为了控制时间以及保持 pandas 作为主线 略过了一些，但它们在实际使用中也很有帮助运行这段代码。如果看这里， m get wars 只在变量值为正实，一次式从这个模型中取出所有变量， 让我们便利所有变量获取每个变量的 x 值， 也就是前面说的大写 x 属性所对应的求解结果。我不往上滚了，但它就是最优变量值。这里本质上是在打印前面那张表。下面这段也差不多只是额外加了一个条件， 因此得到的就是和前面一样的正值结果。好， 现在我们可能反而稍微领先计划了。可能我讲的有点快，对方很可能会说好的，但我还有几个问题。不过没关系，我还有一些内容就可以展开， 接下来做 solution analysis， 也就是解的分析。很好，我们已经有了最优解，你可以把它拿去展示，说如果按这个方案配送 就能得到最低运输成本，大家应该都会满意。但通常当你把这个方案交给领导或者向同事展示时， 所以我们要帮助理解问题中到底发生了什么。 比如，我们现在还不知道每个生产设施到底生产了多少 wechat， 我 们知道它们发往哪里， 但要计算生产量，其实只需要把对应发货量加总起来。也就是说，按 production 进行 group b， 选择 shipment 这一列，然后求和，然后我把它放进还有没有剩余产能窗里。如果需求，我就会算下 many， 也就是剩余能力。 先运行这段，这里就是所有生产设施发出的数量。 现在我们知道了每一波的模式里发过七大潜能，还需要几单。思考这些数量和每个设施的最大潜能是什么关系， 我们是否仍然能够满足。另外，利用率也很重要，因为模型里设置了最低生产比例。我们会想知道哪些 生产设施正好卡在这个最低预值上。现在取消注视运行后，得到一张更完整的数据框，它能更清楚地展示最优解中的情况。 chosten 还剩十八， cleveland 还剩十四，这说明如果需求小幅增加， 我们仍然没问题，有能力满足。再看利用率。回想一下常数 a 的 含义，它表示最大能中必须达到的最低比例，因为你已经在建模一个新的问题。到目前为止，最低产量可以看到 bot 模式为 有一个正好处在这个最低预值上的设施。这可能会让你思考，如果我放松这个约束 或者取消这个约束，那么最优决策里 botom 的 产量是不是会低于这个值。当然，一旦放松或移除该约束，整个系统都会发生变化。 我们有了最优解，也从中提取了一些洞察，时间上也还可以。这里这些值也可以理解为系统中的 slack， 也就是松弛量。当一个不等式约束最终左边和右边相等时， 就像 burning a more little rock。 这里的情况某中都是生产量要的一级产能商很重要， gorby 也为它提供了属性。我们说这个约束是 binding， 也就是仅约束 处在等号状态。如果不是等号，就会有 slack 或 surplus， 具体叫法取决于不等号方向。不过通常我们更常说 slack。 它在数学优化建模、限性规划建模。 我们可以引用前面命名过的某个具体约束，比如 camproduce， 然后加上 slack 属性， 它就会返回剩余值。运行一下，我把它放到数据框里。其实上面这列计算本身很直接很简单，但在更复杂的问题中，手动 命名为 remaining， 又算出 tokenization， 这样和前面那张表基本一致。运行后可以看到信息相同，只是顺序略有不同。 pandas 这里会按字母顺序排列， 所以表现形式有些差异，但内容是一样的。 把这些差值全部算出来，有时会比直接调用属性更麻烦。因此使用 slack 属性能很方便地得到不等式左右两边的差值。到这里为止，这就是我们的主问题。我们还有一点时间，所以可以进步扩展一下。 但如果这种力度并不是特别重要，那么对相当多的。刚才这个模型使用的是连续决策变量，而且刚好所有 配送量结果都是整数，这很不错。你可能会想，这两者有什么大区别，为什么这很重要？前面不是说过办辆视频卡车没有意义吗？ 同样，对你的问题来说，办个 visit 也可能没有意义。如果确实如此，那么一开始就可以把决策变量设为整数， 可以直接让变量保持连续。你可能会问， 下一节 s i 会讲机器学习和数学优化的比较，其中会说明为什么一旦在问题里引入整数决策变量， 但还没有使用，决策难度就会大。再说一下二变变量的结构解释。所以如果你的问题对这种力度不敏感，比如出现零点一个单位或某中小数值，也能接受，并且在业务上说得通，那就保持连续，因为连续模型更容易求解。但如果必须是整数， 那也可以设置成整数。我们往下 滚。刚才我们讨论了连续决策变量，也提到它们如果有必要，可以改成整数。 在数学优化中，它们通常用于是否决策。像开关一样，我们来看当前界，尤其看 permeham 这个地点，它的最大潜能明显低一些。 我把 max 放在这里，方便再看一次。其它设施产量相对较高， 比如 baltimore， cleveland， little rock 都远高于一百， 而 birmingham 只有八十。 假设我们现在有一个选项可以扩建 behemoth 这座设施的产能，扩建幅度可以是二十五个。那我是不是要彻底重新建模？从头开始？ widget 或五十个 widget， 但扩建需要成本。如果产能增加二十五个 widget， 成本是五十美元。如果增加五十个 widget， 成本是七十五美元。现在这些选项摆在面前，你可能会想， 其实这正是数学优化建模的优势问题发生的变化。但变化不算大，实际只需要加一点内容。我们基本上只需要再增加一种变量和一个约束。这里我会定义一个全新的模型，但它会和前面的模型有很多重叠。 我们引入一个二元决策变量，用来表示两个可能的扩建选项，我把它叫做 xprop。 xprop 表示第一个选项，它是二元变量，只能取零或一。如果 xprop 零等于一，就表示选择第一个扩建方案，增加二十五个 widget 的 潜能成本五十美元。如果等于零，就表示不选择它。如果 xpro 一 等于一， 就表示选择第二个扩建方案，增加五十个 widget 的 产物成本七十五美元。如果等于零，就表示不选择它。这个设置允许我们做几件事。 我们也可以两个方案都不选，因为从总体最小成本角度看，刚才您求出了原方案，也可能仍然是最优的。所以我们只是引入新选项，并问模型这些新选项是否可能带来更好的方案，也就是更低成本。为了开始这个模型，我们 先把完全相同的部分加进去，定义新模型 m 二， 然后仍然使用同样的 shipment 决策变量。 只是现在要引用模型 m 二需求约束和以前一样明目标函数中系数我还加了一个新东西外是没想到的， 而我也是看到这里才想起自己写过。你可能会问，既然我在添加变量时就知道它们的目标函数系数 为什么不能直接一起加进去？为什么不能？在创建变量时就说 也就是 add var 或 add var 里的 r o b g 参数。对于每个 x p d， 我 们都知道对应的运输成本。如果把 o b g 设为这个值，那么前面 那段 set objective 加 quicksam 的 代码就可以省掉。 g o b p p 会自动处理。也就是说，这一行代码已经顺便把目标函数的一部分设置好了。 需求约束仍然相同。刚才我运行了，现在没有问题。接下来要添加那些和前面略有不同的约束。为了节省时间，我直接复制粘贴，然后讲解其中的部分内容。这里信息比较多，我们稍微整理一下，让它更容易阅读。 我们仍然有 can produce 和 must produce 面加条件语句来实现这一点，它与数学表达一一对应。 约束唯一不同的是，除了 birmingham 以外，其他所有设施保持不变。 birmingham 是 我们想评估是否需要扩建的设施，所以这里的意思是对除了 birmingham 之外的每一个生产设施都使用原来的约束。代码里，通过在锁影后 quicksim xpd 负 d distribution 表示从某个生产设施发往所有配送地点的总量 小于等于 max production。 这里的 p 来自 production， 但只在 p 不 等于 burnham。 食材适用代码里正是这样写的。 must produce 约束也是同样的逻辑，到这里都没问题。现在添加新的二元变量，我来实际修录一下。 xpro 属于 m 二，也就是第二个模型。我们用 advars 添加变量。除了基于即可添加变量外，你也可以直接说我想要两个变量。 常用方式是写 range 二，它会生成两个变量，名称叫 xprod， 正好对应前面定义的两个扩件选项。这里弹出的提示很好，变量类型默认是 continuous， 但我们不想要连续变量。我们要二元变量，最需要写 g 二 b 点 binary， 注意大写。 然后我们顺便设置目标函数系数。这里应该是五十和七十五。确认一下没错， 再给它命名，比如 expand birmingham production。 这里我刚才需要写对参数名。如果你想给变量命名，必须明确写 name 等于。 我这是故意展示一个教学时刻。拆开来看， 我们用 range n 添加 n 的 决策变量。本例中 n 等于二，需要把变量类型 v type 从连续型改为二元型。再次使用 obg 参数 直接设置目标函数。如果选择第二个方案，这就产生七十五的成变量， 只能取零或一。因为我们在添加变量时使用了 o b g 参数，目标函数已经被设置好了。这里看到的是前一个模型。目标函数中运输成本 各线路发货量的部分，现在还额外多了五十，表示如果选择第一个扩建方案，就产生五十的成本。 因此约束里要把新增产量加进去。同时我们也要遵守至少达到最大产量百分之七十五的。接下来 bernheim 相关的生产约束需要改变，那也可以，但这里我们会让模型遵守新的下界，也就是扩建后的下界， 因为我们仍然要遵守有最大产量限制的规则。只是如果选择扩建二十五或五十，那么新的上限就会提高。 你的具体业务问题中也许会决定仍然沿用原来的下界。 时间还可以，不过这段内容较多，我会复制粘贴。 这里和前面代码的主要区别是，模型变成了第二个模型 m 二， 但很多部分是一样的，我们仍然对 dispute 神 中的 d 求和，并且它必须小于等于最大的产量，不过现在还要加上新增产量。如果选择第一个选项， x pro 的 零 就增加二十五的产量。如果选择第二个选项，就增加五十的产量。下面的最小产量约束也是类似逻。 接下来我们要添加一个选择约束，保证两个二元变量中最多只能选择一个。也就是说，我们不能同时选择两个扩建方案，但完全可以一个都不选。我们对 range 二中的 x pro 的 i 求和，并要求这个和小于等于一，然后把这个约束命名 we expansion choice。 这样模型就表达了要么不扩建，要么选择其中一个扩建方案。接下来本来应该运行所有内容，让我看看能不能把完成版 notebook 放到这里。我们可能会稍微超出几分钟，然后在其他地方调整时间。 lindsay 提醒一下所有参会者，本届中间会有十五分钟休息，所以不会影响其他内容， 也不会打乱当天安排。谢谢玲子。现在模型已经求结了，这里就是它正常工作的证明。 我不确定刚才具体出了什么问题，可能是 collab 环境里有点异常，但没关系，运行后得到最优解。这里可以打印两个目标值的差异，第一个模型的目标值和第二个模型的目标值。我们可以看到第二个模型的目标函数值更低， 这说明模型确实选择了某个扩建选项。如果两个目标函数值相同，那就意味着它什么也没选，生产能力没有改变。接着看它到底选择了什么。 在第二个模型里取出 x pro 的 变量值，它们以零和一为缩影，分别代表第一个和第二个扩建选项。结果显示，模型选择了第一个和第二个扩建选项，也就是 x pro。 零等于一。 这意味着 bermingheim 的 产量增加了二十五个 vegit。 你 会发现一个有点奇怪的地方，可能会想，这好像并带来了轻微的成本下降。很好。再看整体解， 现在 bermingheim 不 再是原来的八十，而是提升到了一百零五，模型也用满了这部分新的扩建才能。 最后留一个不算作业的思考。我这边断电，自己看一看，可能是 collab 环境里。也许明天我们会提到分析一下两个模型之间的最优解发生了什么变化。我们先休息一会，大约十五分钟后开始下一节。请思考这个奇怪点是什么，为什么会发生， 以及从模型表达角度和业务问题角度分别应该如何处理。感谢大家坚持到这里，也感谢大家包容过程中的几个小插曲， 有些内容没有正常工作，如果想看完整答案，可以查看完整版 network。 好 的，谢谢大家。

出现这种副偏离，别犹豫废标！前些天遇到这么一个项目，出现了一个我觉得非常值得搞清楚的问题，就是关于负偏离的问题。 负偏离一般有两种情况，第一种情况是非核心、非关键参数允许有负偏离，那么在打分项目里边，会根据负偏离的个数扣出相应的分数，这是第一种。第二种情况就是完全不允许有负偏离，如果有，那就非标。 而这一次我遇到了第三种，政府采购项目有副偏离，但是没费标，怎么回事？这是一个机房技术环境运维的现象化项目，我们知道机房环境有很多的专业和设备， 网络、主机、安防、消防、门禁等等各个系统几十上百种设备，招标人在招标软件中列出了详细的设备清单，都是需要维护的，提出了工作要求。 但是在三家投标单位编理表里面，均出现了多数的负偏离。这个负偏离比较特殊，因为他不是针对某些设备他的非关键、非核心的参数指标，而是说某些设备不属于运为范围，投标单位不负责认为，所以是负偏离， 这个是不是很意外？这个单位牛不牛？虽然一般用维项目都是延续去项目，很少更换用维单位，但是你看这几个单位的做法是不是有点过分了？甲方有这么好欺负吗？其实实际严格意义上来讲，这个应该属于未响应招标文件的实质要求， 应该废标才对。但是呢，废标有两种情况，第一种就是招标代理机构的资格审查不通过，公用偏离表不行，偏离表的内容也要符合招标软件要求， 不符合就废标。但是呢，一般情况下，招标代理是不希望废标的，因为他们不想重新招标，重新折腾一次。 第二种情况就是评标委委员会的复合性审查不通过，这个也是费销。呃，我说的这个项目，招标代理的资格审查居然是通过了评标委委员会进行复合性审查。评委委会有一名甲方代表，有专家提出了这个副偏离的问题， 甲方代表估计呢，他也是不太懂，或者是考虑攻击紧张的问题，然后呢，他居然是认可的，让我有些无语。显然这个代甲方代表没有考虑到这个性质的严重性， 虽然大家完成了评标，但是作为有监理职业病的我实在是没控制住。最后，从几个方面提醒了甲方代表，这个项目是有一定风险的，几个问题回去以后需要提前沟通清楚。第一个问题呢，就是需要提前考虑，招标文件规定 健身内容，投标说是不在应援范围，那么出现了副偏离，中标以后，这个中标合同怎么签需要想清楚。 第二，并不是说他说是副偏离，这个工作就不用做了，他说了不算，其实是甲方说了算，但是呢，一旦你让他中标，就代表着你认可他说的副偏离了，签合同会按照投标响应来签，这个甲方领导能不能接受？ 第三，不管怎么样，副股偏离的内容做肯定还得做，那么需要想清楚怎么处理。第四，申请财政资金的项目后期都会有审计， 财政批复的。一百万干十件事，那么中标以后变成了一百万干九件事，这个肯定会被查出问题，也需要想清楚怎么办。这种有实质内容的副偏离，还是建议咱们平 标专家坚持判定为实质性，响应招标软件的这个要求的原则，进行废标。 也建议招标人要坚定维护自己的利益，坚持原则。再有就是提醒投标人不要认为自己有百分之百把握了就可以为所欲为。 尊重和保护好自己的客户必须要放到第一位，尤其是政府客户更需要保护。

最近关于韬定律的讨论可以说是沸沸扬扬，各种声音非常多。其实把网上的争议剥开来看，核心无非就是三个质疑，今天咱们就用大白话一次性把这三个问题给你讲透。第一个质疑，这个不就是现有的三 d 封装吗？换了个名字而已， 这是目前最普遍的误解。确实，台西电、英特尔、三星都在做芯片堆叠，实际万变不离其宗。本质上他们都是把两块已经设计好的独立芯片进行叠。罗汉这么做有几个致命弱点，功耗会翻倍，散热问题更严重，不仅性能提不上去，还会因为过热导致严重降频。 而超定律牛在哪儿？它不是简单的 chip to chip 芯片对芯片管的微观折叠。 他在最初的设计阶段，就把一个完整的逻辑电路像折纸一样立体的分布在两层上，原本在平面上相隔十万八千里的晶体管，现在在垂直方向上紧紧挨在了一起。 正因为这种底层设计的改变，他才能在堆叠的同时不仅不发热，反而大幅降低功耗，提升频率。 第二个质疑，这会不会只是个 ppt 概念，离量产还早得很，这个说法在事实面前完全站不住脚。首先，过去六年已经默默量产了三百八十一款芯片在做技术验证。其次，这不是几年后的画饼，而是几个月后的现实。 二零二六年秋季发布的下一代 mate 系列手机，也就是新一代麒麟处理器，将大规模应用这套技术， 性能上有多能打同等工号下能效直接飙升百分之四十一，最高主停提升百分之十三 s r a m 运行频率涨幅超过百分之四十，而且代表核心的连线长度缩短了整整百分之三十。 至于大家担心的良率问题，人家通过智能领域机制已经把良率逼进了百分之一百。当然，别光听别人总说，几个月后，等产品发布拆机测试和跑分软件自然会给出最真实的答案。第三个质疑，就算这有用，但巨头们一学就会，能带来持续的优势。 这么说其实是严重低估了这项技术的壁垒。要想真正玩转逻辑折叠，你必须同时具备三样东西，专门定制的 e d a。 设计工具、全新的电路设计方法体系， 以及与之配套的先进封装工艺。这三件事不仅需要各自跑通，还需要深度协同，缺一不可。同时而苹果、高通这些顶尖大厂应该大概率不会跟进。 为什么？因为他们手里有先进光刻机，县城的路他们走的舒舒服服的，没必要去折腾一套极其复杂的全新体系。而如果没有足够多的客户买单， e d a。 工具商也没动力去开发配套软件，这就形成了一个完美的正向锁定， 谁先商业化落地，谁就能建立起难以复制的先发护城河。最后，我想说，这事跟 deepsea 的 崛起有着异曲同工之妙。当年 deepsea 因为算力受限，被迫在推理效率上做极致优化，结果硬是把成本降了一个数量级。 而现在在芯片制造上，我们因为光刻机受限，被迫在设计和封装方法上死磕创新，结果可能真的做出了一个改变。游戏规则的突破，有时候极致的约束反而是最强效的创新催化剂，你觉得呢？